一种妇科术后疼痛评估方法、系统、设备及介质与流程

本发明涉及医疗信息，特别是涉及一种妇科术后疼痛评估方法、系统、设备及介质。

背景技术：

1、随着人工智能与智慧医疗的深度融合，客观、精准的疼痛评估在妇科术后快速康复领域发挥着日益关键的作用。术后疼痛评估是指导临床镇痛决策、加速患者康复进程的核心环节，也是围术期管理研究的重点与难点。有效的疼痛评估旨在准确识别疼痛的来源与强度，从而为不同疼痛成分提供针对性的干预方案。

2、传统技术中，临床普遍采用视觉模拟量表或数字评分量表等患者自报工具进行疼痛评估，但是，该类方法高度依赖患者主观配合，对于术后虚弱或意识模糊患者适用性差，且无法实现连续动态监测；现有基于单一模态生理信号的客观疼痛识别技术，通常仅能输出一个综合的疼痛强度指标，难以区分妇科术后并存的切口躯体痛和宫缩内脏痛两种不同成分，导致镇痛措施缺乏针对性；此外，少数多模态评估方案往往将各类信号进行简单拼接后直接映射至疼痛分值，忽略了不同模态信号在表征不同疼痛成分时的差异性贡献，使得评估结果的解耦能力和临床解释性不足。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种妇科术后疼痛评估方法、系统、设备及介质，以达到提升疼痛评估的客观性与连续性，增强对躯体痛成分与内脏痛成分的区分能力，并提升评估结果解耦性的技术效果。

2、第一方面，本技术提供了一种妇科术后疼痛评估方法，该方法包括：

3、同步获取待评估患者术后恢复期间的多模态生理信号和面部视频数据，多模态生理信号包括心电信号、皮肤电导信号、腹部表面肌电信号和呼吸信号；

4、对多模态生理信号和面部视频数据进行预处理，并在统一时间窗口内对预处理后的信号进行特征提取，生成多模态特征向量，多模态特征向量包括心电域特征、皮电域特征、肌电域特征、呼吸域特征和面部表情动态特征；

5、将多模态特征向量输入预先构建的疼痛成分解耦网络，疼痛成分解耦网络包括躯体痛预测头和内脏痛预测头，由疼痛成分解耦网络对多模态特征向量进行特征融合，得到多模态融合特征向量，通过解耦注意力机制对多模态融合特征向量进行动态分配，分别经由躯体痛预测头输出躯体痛强度预测值，经由内脏痛预测头输出内脏痛强度预测值；

6、基于躯体痛强度预测值和内脏痛强度预测值，生成针对患者的妇科术后疼痛成分解耦评估结果。

7、在一实施例中，通过解耦注意力机制对多模态融合特征向量进行动态分配，分别经由躯体痛预测头输出躯体痛强度预测值，经由内脏痛预测头输出内脏痛强度预测值，包括：

8、对多模态融合特征向量进行非线性变换，分别生成查询向量和键值向量；

9、计算查询向量和键值向量之间的相似度，得到权重分布，权重分布表征多模态融合特征向量中对应于躯体痛模式和内脏痛模式的信息占比；

10、利用权重分布对多模态融合特征向量进行加权拆分，得到躯体痛隐变量和内脏痛隐变量；

11、将躯体痛隐变量输入躯体痛预测头进行疼痛强度映射处理，输出躯体痛强度预测值；

12、将内脏痛隐变量输入内脏痛预测头进行疼痛强度映射处理，输出内脏痛强度预测值。

13、在一实施例中，对多模态融合特征向量进行非线性变换，分别生成查询向量和键值向量，包括：

14、对多模态融合特征向量进行第一线性投影，得到第一线性投影向量，并对第一线性投影向量施加非线性激活，生成查询向量；

15、对多模态融合特征向量进行第二线性投影，得到第二线性投影向量，并对第二线性投影向量施加非线性激活，生成键值向量；

16、其中，第一线性投影的参数矩阵和第二线性投影的参数矩阵在疼痛成分解耦网络的训练过程中独立学习，使查询向量和键值向量分布捕捉多模态融合特征向量中对应于不同疼痛模式的判别性信息。

17、在一实施例中，疼痛成分解耦网络的预训练过程，包括：

18、获取多模态样本数据集，多模态样本数据集包括多个样本的多模态生理信号样本和面部视频数据样本，以及各样本对应的躯体痛强度标注值和内脏痛强度标注值；

19、将多模态样本数据集中的各样本输入待训练的疼痛成分解耦网络，由待训练的疼痛成分解耦网络输出对应的躯体痛强度预测值和内脏痛强度预测值；

20、计算预测损失，预测损失表征躯体痛强度预测值与躯体痛强度标注值之间的偏差，以及内脏痛强度预测值与内脏痛强度标注值之间的偏差；

21、计算解耦损失，解耦损失表征待训练的疼痛成分解耦网络内部生成的躯体痛隐变量与内脏痛隐变量之间的相关性；

22、基于预测损失和解耦损失更新待训练的疼痛成分解耦网络的参数，直至满足预设收敛条件，得到训练后的疼痛成分解耦网络。

23、在一实施例中，计算解耦损失，解耦损失表征待训练的疼痛成分解耦网络内部生成的躯体痛隐变量与内脏痛隐变量之间的相关性，包括：

24、从待训练的疼痛成分解耦网络中获取躯体痛隐变量和内脏痛隐变量；

25、对躯体痛隐变量进行非线性映射处理，得到躯体痛投影表示；

26、对内脏痛隐变量进行非线性映射处理，得到内脏痛投影表示；

27、计算躯体痛投影表示与内脏痛投影表示之间的分布差异度量，分布差异度量表征躯体痛投影表示和内脏痛投影表示在特征空间中的距离；

28、将分布差异度量作为解耦损失。

29、在一实施例中，基于躯体痛强度预测值和内脏痛强度预测值，生成针对患者的妇科术后疼痛成分解耦评估结果，包括：

30、对躯体痛强度预测值和内脏痛强度预测值进行对比，确定疼痛主导成分类型，疼痛主导成分类型包括躯体痛主导型、内脏痛主导型和混合型；

31、根据疼痛主导成分类型以及躯体痛强度预测值与内脏痛强度预测值的数值关系，生成疼痛成分构成描述信息，疼痛成分构成描述信息表征妇科术后疼痛中躯体痛成分与内脏痛成分的构成比例；

32、妇科术后疼痛成分解耦评估结果包括疼痛主导成分类型和疼痛成分构成描述信息。

33、第二方面，本技术还提供一种妇科术后疼痛评估系统，该系统包括：

34、多模态数据获取模块，用于同步获取待评估患者术后恢复期间的多模态生理信号和面部视频数据，多模态生理信号包括心电信号、皮肤电导信号、腹部表面肌电信号和呼吸信号；

35、多模态特征提取模块，用于对多模态生理信号和面部视频数据进行预处理，并在统一时间窗口内对预处理后的信号进行特征提取，生成多模态特征向量，多模态特征向量包括心电域特征、皮电域特征、肌电域特征、呼吸域特征和面部表情动态特征；

36、疼痛成分解耦预测模块，用于将多模态特征向量输入预先构建的疼痛成分解耦网络，疼痛成分解耦网络包括躯体痛预测头和内脏痛预测头，由疼痛成分解耦网络对多模态特征向量进行特征融合，得到多模态融合特征向量，通过解耦注意力机制对多模态融合特征向量进行动态分配，分别经由躯体痛预测头输出躯体痛强度预测值，经由内脏痛预测头输出内脏痛强度预测值；

37、评估结果生成模块，用于基于躯体痛强度预测值和内脏痛强度预测值，生成针对患者的妇科术后疼痛成分解耦评估结果。

38、第三方面，本技术还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现本技术第一方面中任一方法的步骤。

39、第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本技术第一方面中任一方法的步骤。

40、本技术提供的一种妇科术后疼痛评估方法、系统、设备及介质，通过同步获取多模态生理信号与面部视频数据，替代传统主观量表评估，有效减少人为报告偏差，从而提升疼痛评估的客观性与连续性。对心电信号、皮肤电导信号、腹部表面肌电信号、呼吸信号及面部视频数据进行统一时间窗口的特征提取，生成融合多源生理和行为信息的多模态特征向量，为区分不同疼痛成分提供丰富且同步的输入表征。

41、利用疼痛成分解耦网络中的解耦注意力机制对多模态融合特征向量进行动态分配，生成躯体痛隐变量和内脏痛隐变量，并分别经由躯体痛预测头和内脏痛预测头独立预测强度值，从而增强对躯体痛成分与内脏痛成分的区分能力。基于两个独立预测值生成疼痛成分解耦评估结果，能够降低躯体痛与内脏痛信息的相互干扰，提升评估结果的解耦性，使术后疼痛管理能够针对不同成分采取更具针对性的干预措施。